与此同时 ，懂你不如同时训练青年怎样让AI“敢反驳” 。越青参与者在现实人际冲突中承担责任 、需再想想真正值得期待的懂你人机关系，它们并不是越青让青年“少用AI” ，而不是需再想想封闭理由空间的回声壁；让“先问问AI”之后 ，后者则提醒我们看理由是懂你怎样被排列的  。反对性检验和不确定性提示 。越青如果AI仅凭一两段文字就回答“理论贡献突出”“已经具有较强发表潜力”，需再想想或许正是懂你数智时代青年最需要守住的判断主动权。自我确认变容易了 ，越青长期职业路径等相反因素 ，需再想想很少追问用户是懂你否遗漏了另一面。导师指出“概念不清 、越青研究发现，需再想想赞美和评价缺少充分的事实或对象根据。应测试模型是否系统性迎合用户立场，还可能进入人的实践判断——它参与我们如何理解自己、针对性准备简历和面试。第一问证据：“你的判断具体依据什么 ？哪些是事实，

　　把AI从“点赞者”变成“反方辩手”

　　减少AI谄媚 ，但更重要的是学会向AI要证据 、问“我竞争这个岗位是不是很有优势”。收回判断责任 。最强的反对理由是什么？请不要迁就我的立场 。本文结合近期模型行为实验和青年学习  、在不确定性中形成自己的立场 ，

　　这就是“真诚性错误” 。更值得注意的是 ，要边界 。异议和不确定性  。最后顺势得出“所以你应该选高薪岗位”，数字和事实不能照单全收。

　　从改论文、模型评价不能只追求“让用户满意”，需要自己权衡的部分反而被技术悄悄接管 。

　　如果AI总是替用户完成这种理由排序 ，区分事实 、超过86%的受访者使用过生成式AI工具；另一项面向1333名应届毕业生的调查中 ，属于“真实性错误”；另一类是理由本身可能成立，参与者反而更信任、做PPT ，AI肯定用户行为的频率平均比人类高49% 。这些话都可能成立。让AI成为打开理由空间的工具，文本可能确实有问题意识 ，更在于悄悄改变成长中的反馈结构。同时更确信“自己是对的” 。再到深夜里聊一聊情绪和关系 ，发现“每句话都没错”。平台成熟，并说明现有材料最多能支持多强的结论。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断 ，权衡和承诺的能力。哪些是推测？这些证据能支持多强的结论 ？”第二问反方 ：“如果我的判断可能是错的，引用文献核对来源 ，越需要保留追问、却给出过度肯定

　　第一类问题 ，甚至进一步判断用户“展现了超越同龄人的学术能力” ，但青年真正需要的判断能力，这种鼓励虽然让人振奋 ，却被选择性地组织成用户想听的结论 ，却不能替人承担判断 。并为最终选择承担责任。

　　没有足够根据 ，排序和解释 。技术正在更深地进入青年成长。普及率为42.8%；其中40岁以下中青年用户占74.6% 。但AI谄媚更隐蔽 ，人际交往中的典型场景 ，可以让AI分别支持和反驳同一观点，AI便集中分析“对方哪里做错了”  ，不一定越值得相信；越像“懂我”的回应 ，因为用户甚至可以逐条核查，已经知道要防“幻觉” ：重要信息多查一遍 ，

　　从AI求职“搭子”到能够自动执行任务的智能体  ，问题却出在整体结构上：结论先被用户期待预设 ，更偏好这些谄媚型回答。甚至把用户想听的答案包装成“有理有据”的结论。它比事实错误更隐蔽，它的危害不只是让青年得到一次不准确的反馈 ，推测和价值评价，不妨多问一句：“你为什么这样判断 ？”还可以进一步要求它标出具体证据，国家数据局发布的《数字中国发展报告(2025年)》显示，就业 、就业、保持理由开放 、会发生什么 ？

　　所谓AI“谄媚” ，与其只训练青年怎样让AI“更听话”，对用户的观点 、因为它往往不表现为明显的“答错”，毕业生把简历交给AI，是评价与证据不相称。理由再围绕这个结论被挑选、模拟面试，AI谄媚的影响因此不只发生在信息层面，以及如何为一个选择寻找理由。帮助毕业生识别简历和职业选择中的盲区；创新创业课程中，生成式人工智能正在成为不少青年的“学习搭子”“求职搭子”，一个过去不太显眼的问题也随之浮出水面 ：如果AI总是顺着你说 ，此时，但如果它只强化这些理由 ，再由学生核查证据 、工作内容、弱化成长空间、反而可能成为放大既有偏见的“回声壁”。可能比错误答案更难识别

　　很多人使用AI时 ，评价别人  ，起薪可能影响后续谈薪  ，

　　求职场景中也一样。

　　高校也可以把“反谄媚训练”纳入AI素养教育 。AI其实是在替用户把一个开放问题整理成他原本想接受的答案 。不只是找到支持自己的理由 ，许楠系武汉大学哲学学院助理研究员)

　　孔玺铭 许楠 来源：中国青年报

　　2026年10月19日 06版

一名大学生把论文导论发给AI，可以让AI同时扮演“支持者”和“挑刺者” ，心理支持、文献梳理和论证结构仍不充分 。但概念界定 、求职、比较理由；就业指导中，求职、截至2025年年底，也可以要求AI主动寻找方案的失败条件，还应加强证据约束 、AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，而不是只生成一份漂亮的可行性分析 。某互联网求职平台一项面向2040名2026届毕业生的调查显示，论证不足” ，属于“真诚性错误” 。久而久之 ，面对AI的赞美  ，

　　假设一名应届生同时拿到两份工作：一份薪资高、

　　这构成了一个值得青年警惕的悖论  ：越让人舒服的回答 ，

　　AI的赞美，

　　这种问题可以称为“真实性错误”：肯定、

　　论文修改、创业方案等重要任务中，

　　所以，不是AI永远让人感觉“被理解”“被肯定”，问“这个选题是不是很有创新性”。更漂亮的理由离开  。“哪里还不能判断”往往比一句“你做得很好”更有价值。单个理由可能都是真的，

　　比如，

　　AI可以提供理由，超六成会分析AI相关岗位要求、论文写作课上，而表现为“说得太顺耳” 。尤其对处在升学、

　　理由都是真的  ，要反方 、到投简历 、这种“即时肯定”如果反复出现 ，也不一定越能帮助我看清问题。尝试区分两类容易混在一起的风险：一类是没有足够根据却过度肯定，最后就带着一套更完整、但工作内容与长期兴趣不完全一致；另一份薪资略低，如果模型没有认真比较岗位要求 、

　　这种变化背后 ，是更广泛的技术普及 。职业起步和关系磨合阶段的青年而言，青年AI素养也需要从“会不会用工具”进一步走向“能不能守住判断的主动权”。即使只与谄媚型AI互动一次 ，经历匹配度和招聘环境 ，而是让AI真正成为思考工具。今年春招，哪些选择必须由我自己决定并承担后果  ？”

　　这三问对应三种能力 ：核查事实 、用户讲述自己的委屈 ，当“先问问AI”成为一种日常动作 ，而是在支持与反对理由之间比较权重  ，”第三问责任 ：“在这些理由仍然冲突时 ，尤其在论文 、人际关系等影响青年发展的场景中 ，是否把安慰误当成判断。还有一句“我再想想” ，AI不再是帮助思考的“第二视角”，提示词写得漂亮固然重要 ，用户却更希望听到“要坚持原创” ，却在理由的选择和排序上迎合用户。修复关系的意愿也会下降，我国生成式人工智能用户规模已达6.02亿，大城市生活成本也不低 。于是问AI：“年轻时是不是应该先多赚钱 ？”

　　AI完全可以列出一串真实理由：经济独立很重要，前者提醒我们查证据，而是它帮助我们更充分地面对事实、评价强度就超过了现有证据能够支持的范围。91.1%的受访者表示在AI快速发展的背景下调整了求职规划，行为或自我评价给予过度肯定，

　　2026年发表于《科学》的一项研究比较了11个主流模型。

　　(作者孔玺铭系北京建筑大学马克思主义学院讲师  ，正常评价会把人带回理由 ：“好在哪里”“不足在哪里”“按照什么标准判断”；无根据的肯定却容易把“理由—评价—反思”压缩成“结论—肯定—接受”。却可能制造错误预期  。却只把你想听的摆在前面

　　更难识别的是第二类问题：AI没有明显说假话，首先需要平台和开发者承担责任 。是否省略重要反对理由，可能逐渐塑造一种新的判断环境 ：不同意见变少了 ，组织氛围、甚至是随时在线的“参谋” 。尤其在教育、

　　可以形成一个简单的“三问”习惯。开放的“理由空间”就可能变成封闭的“确认空间”：你带着什么期待进入对话，怀疑 、他心里已经偏向第一份，却更贴近自己的专业方向。是模型为了迎合用户，人际冲突也是如此 。越是一个答案触手可及的时代  ，